本书旨在探讨AI提示工程(通常简称提示工程或Prompt工程)在各领域的应用。大语言模型是人工智能领域的重要成果，在自然语言处理和生成任务中发挥着重要的作用。读者通过深入了解和应用提示工程，能充分挖掘和利用大语言模型的潜力，提升效率、促进创新，并解决实际问题。本书涵盖人工智能发展历程，提示工程的概念和设计原则、策略和技巧、不同领域的典型应用，以及数据分析与挖掘领域的应用。本书旨在以通俗易懂的方式呈现复杂概念和技术，并通过案例和实践指导，帮助读者掌握和应用提示工程，以取得更好的成果。本书适合从事AI提示工作的人员阅读，也可以作为各类学校相关课程的教材，还可以作为提示工程培训用书。

万 欣，中国电子信息行业联合会数字经济专委会学术委员，武汉纺织大学大数据与效益制造中心主任，硕士生导师，湖北省一流课程“商务智能”负责人；毕业于日本电气通信大学，社会智能信息学博士，主要研究方向有商务智能、机器学习、数据挖掘等；曾就职于国内外多家上市公司，从事技术研发、软件开发工作；在大数据分析与挖掘领域教学与实践经验丰富。

目 录


第1章 智领未来—走近大语言模型
1.1 人工智能的发展历程
1.2 机器学习与深度学习
1.3 自然语言处理
1.3.1 大语言模型
1.3.2 机器翻译与文本生成
1.4 大语言模型
1.4.1 Transformer与大语言模型
1.4.2 GPT及ChatGPT
1.5 小结
第2章 提示工程概述
2.1 提示工程的概念和作用
2.2 提示信息的设计原则和框架
2.2.1 清晰具体的提示
2.2.2 给模型思考的时间
2.2.3 提示信息的设计原则
2.2.4 提示框架
2.3 提示工程在人工智能生成内容(AIGC)中的应用
2.3.1 文本生成任务
2.3.2 图像生成任务
2.3.3 音频生成任务
2.3.4 其他生成任务
2.4 提示信息的评估
2.5 小结
第3章 提示工程的策略和技巧
3.1 提高提示信息量
3.1.1 零样本提示(Zero-Shot Prompting)
3.1.2 单样本提示(1-Shot Prompting)
3.1.3 少样本提示(Few-Shot Prompting)
3.1.4 链式思维提示(Chain-of-Thought Prompting)
3.1.5 生成知识提示(Generated Knowledge Prompting)
3.2 提升一致性
3.2.1 自我一致性提示(Self-Consistency Prompting)
3.2.2 思维树提示(Tree of Thought Prompting)
3.3 其他策略和技巧
3.3.1 结合其他能力
3.3.2 主动学习
3.3.3 强化反馈提示
3.4 反向提示工程(Reverse Prompt Engineering)
3.5 协作技巧
3.6 小结
第4章 提示工程的典型应用
4.1 职场效率手册
4.1.1 求职招聘
4.1.2 高效办公
4.1.3 职场沟通
4.2 大型创作：大语言模型辅助编写一部书
4.2.1 拟定提纲
4.2.2 前言写作
4.2.3 实验开发
4.2.4 优化章节标题
4.2.5 每章小结
4.2.6 创建实训
4.2.7 设置特别内容
4.2.8 处理内容中断问题
4.2.9 调整生成的代码
4.2.10 创建原创数据实验
4.2.11 报错处理、错误解析和自动纠错
4.3 提示工程在知识领域的应用
4.3.1 自我修炼导师
4.3.2 助力文献阅读
4.3.3 研究问题发掘
4.3.4 多角色任务执行
4.4 小结
第5章 提示工程赋能数据分析与挖掘
5.1 数据收集的提示技巧
5.2 数据清洗技巧
5.3 数据探索技术
5.4 数据可视化技术
5.5 数据分析方法与模型
5.6 小结
第6章 提示工程数据分析实战：零代码、SQL和Python
6.1 案例：基于市场数据的产品分析与决策(零代码)
6.2 案例：销售数据分析与挖掘(SQL)
6.3 项目实战：武汉房价分析(Python)
6.4 小结
结语
参考文献